Comment mesurer le risque de détention de VaR

Le contrôle du risque est une compétence que chaque investisseur doit acquérir. Face à un marché de la monnaie numérique qui évolue de plus en plus rapidement et qui évolue, les traders programmatiques doivent accorder une attention particulière à la gestion des risques. Cela est dû au fait que les transactions programmatiques sont souvent basées sur des données historiques et des modèles statistiques pour exécuter automatiquement les transactions, qui peuvent rapidement devenir inaccessibles dans des marchés dynamiques.

Dans de nombreux outils de gestion du risque, la valeur au risque (VaR) est une mesure de risque largement utilisée qui aide les investisseurs à prévoir les pertes maximales possibles pour un portefeuille dans des conditions de marché normales. VaR est capable de quantifier le risque en un seul chiffre, simplifiant l'expression du risque et permettant aux investisseurs de comprendre intuitivement les pertes potentielles.

Le rôle du VaR

Le VaR, ou valeur à risque, est utilisé pour quantifier la perte maximale que l'on peut supporter sur une période de temps donnée, selon un certain niveau de confiance. En d'autres termes, il indique à l'investisseur ou au gestionnaire de risque: VaR, combien d'argent nous avons dans des conditions de marché normales, est dans la plage de la valeur à risque et ne perdra pas demain.

Les avantages

1. Facile à comprendrePar exemple: le 95% de VaR d'un portefeuille de crypto-monnaie est de 5000 $ par jour, ce qui signifie qu'il y a 95% de confiance que le portefeuille ne dépassera pas 5000 $ de perte en une journée. Quantifier le risque complexe en un chiffre intuitif, facile à comprendre pour les non-professionnels.

2. Les critères de comparaisonSupposons qu'il y ait deux portefeuilles A et B, A a un 95% de VaR par jour de 3000 $ et B est de 6000 $. Cela signifie que, dans des conditions de marché normales, A est moins risqué que B. Même si les deux portefeuilles contiennent des actifs différents, nous pouvons directement comparer leur niveau de risque. En conséquence, nous pouvons déterminer le niveau de risque si les deux stratégies A et B ont des rendements de 6000 $ au cours du dernier mois et si A a un VaR moyen et maximum nettement inférieur à B. Nous pouvons considérer que la stratégie A est meilleure et produit des rendements plus élevés à un niveau de risque plus faible.

3. Outils de décisionUn trader peut utiliser le VaR pour décider s'il faut ajouter un nouvel actif à son portefeuille. Si le VaR est considérablement augmenté par un nouvel actif, cela peut signifier que le risque de ce nouvel actif ne correspond pas au niveau de tolérance du portefeuille.

Les défauts

1. Les risques de la queue sont négligés: si le 99% de la VaR d'un portefeuille est de 10 000 $ par jour, la perte de 1% dans les cas extrêmes peut être bien supérieure à cette valeur. Dans le domaine de la monnaie numérique, les événements de black swan sont fréquents et les cas extrêmes dépassent les attentes de la plupart des gens, car le VaR ne prend pas en compte les événements de la queue.

2. Supposons une restriction: le paramètre VaR suppose généralement que les rendements des actifs sont normalement distribués, ce qui est rarement établi sur les marchés réels, en particulier sur les marchés de la monnaie numérique. Par exemple, supposons qu'il n'y ait que du bitcoin dans un portefeuille, nous utilisons le paramètre VaR et supposons que les rendements du bitcoin sont normalement distribués. Mais en réalité, les rendements du bitcoin peuvent faire de gros sauts à certaines périodes et il existe des phénomènes d'accumulation de fluctuations évidentes, comme une forte fluctuation d'une fréquence précédente et une probabilité significative d'une augmentation significative de la fluctuation suivante, ce qui entraîne une sous-estimation des risques du modèle normal de distribution.

3. La dépendance historiqueLes modèles de VaR s'appuient sur des données historiques pour prédire les risques futurs. Cependant, les performances passées ne sont pas toujours prédictives, en particulier dans les marchés en évolution rapide tels que les marchés de crypto-monnaie. Par exemple, si le bitcoin est très stable au cours de la dernière année, une simulation historique peut prédire un très bas VaR. Cependant, si des changements soudains de réglementation ou un effondrement du marché surviennent, les données passées ne seront plus un prédicteur efficace des risques futurs.

Le calcul de la VaR

Il existe principalement trois méthodes pour calculer le VaR: la méthode paramétrique (différence-différence-corrélation): en supposant que les rendements suivent une certaine distribution (généralement une distribution normale), en utilisant les moyennes des rendements et la différence-type pour calculer le VaR. La simulation historique: en ne faisant aucune hypothèse sur la distribution des rendements, en utilisant directement les données historiques pour déterminer la distribution des pertes potentielles. La simulation Monte Carlo: en utilisant des chemins de prix générés au hasard pour simuler le prix des actifs et en calculant le VaR.

L'approche de l'analogie historique utilise directement les variations de prix passées pour estimer les pertes possibles à l'avenir. Elle ne nécessite aucune hypothèse sur la répartition des bénéfices et est donc applicable aux actifs dont la répartition des bénéfices est inconnue ou inhabituelle, comme les monnaies numériques.

Prenons l'exemple d'un portefeuille de bitcoins, si nous voulons calculer le 95% de VaR d'un jour pour ce portefeuille, nous pouvons faire ceci:

1. Le taux de rendement quotidien des bitcoins au cours de la dernière période (par exemple, 100 jours) est collecté.
2. Calculer le rendement quotidien du portefeuille, c'est-à-dire le rendement de chaque actif multiplié par sa pondération dans le portefeuille.
3. Les rendements de ce portefeuille de 100 jours sont classés de petit à grand.
4. Trouvez le point de données de 5% (car nous calculons le 95% de VaR), qui représente le taux de perte du jour le plus mauvais et le meilleur des 5 jours au cours des 100 derniers jours.
5. Si vous multipliez ce taux de rendement par la valeur totale de la détention, vous obtenez 95% de VaR par jour.

Ci-dessous, un code spécifique qui utilise les données des 1000 derniers jours pour calculer le VaR de 1980 USDT pour une détention actuelle d'un BTC.

import numpy as np
import requests

url = 'https://api.binance.com/api/v3/klines?symbol=%s&interval=%s&limit=1000'%('BTCUSDT','1d')
res = requests.get(url)
data = res.json()

confidence_level = 0.95
closing_prices = [float(day[4]) for day in data]
log_returns = np.diff(np.log(closing_prices))
VaR = np.percentile(log_returns, (1 - confidence_level) * 100)
money_at_risk = VaR * closing_prices[-1] * 1

print(f"VaR at {confidence_level*100}% confidence level is {money_at_risk}")

Les calculs VaR considérés comme pertinents

Lorsque nous calculons le VaR d'un portefeuille de plusieurs actifs, nous devons tenir compte de la corrélation entre les actifs. Si les variations de prix entre les actifs sont positives, le risque du portefeuille augmente; si elles sont négatives, le risque du portefeuille diminue.

Lorsque nous utilisons l'analogie historique pour calculer la correlation VaR, nous devons non seulement collecter les rendements historiques de chaque actif individuel, mais aussi considérer la distribution combinée de ces rendements. En pratique, vous pouvez trier et calculer directement les rendements historiques d'un portefeuille, car ces rendements impliquent déjà une correlation entre les actifs. Dans le marché des monnaies numériques, la correlation est particulièrement importante, essentiellement parce que BTC domine le marché et que les autres monnaies numériques augmentent la probabilité de hausse si BTC est en hausse ou en baisse si BTC augmente rapidement, car l'humeur du marché peut changer rapidement, ce qui entraîne une augmentation significative de la correlation à court terme, ce qui est particulièrement courant dans les événements de marché extrêmes.

En prenant l'exemple d'un portefeuille de 1 BTC et d'un portefeuille de 10 ETH, le VaR de 10 ETH peut être calculé comme suit:

confidence_level = 0.95
btc_closing_prices = np.array([float(day[4]) for day in btc_data])
eth_closing_prices = np.array([float(day[4]) for day in eth_data])
btc_log_returns = np.diff(np.log(btc_closing_prices))
eth_log_returns = np.diff(np.log(eth_closing_prices))

log_returns = (1*btc_log_returns*btc_closing_prices[1:] - 10*eth_log_returns*eth_closing_prices[1:])/(1*btc_closing_prices[1:] + 10*eth_closing_prices[1:])
VaR = np.percentile(log_returns, (1 - confidence_level) * 100)
money_at_risk = VaR * (btc_closing_prices[-1] * 1 + eth_closing_prices[-1]*10)

print(f"VaR at {confidence_level*100}% confidence level is {money_at_risk}")

Le résultat est de 970 USDT, ce qui signifie que le risque de ce portefeuille est inférieur à celui des actifs correspondants détenus séparément, car le marché de BTC et d'ETH est hautement lié, et la couverture des portefeuilles multi-espaces joue un rôle de réduction du risque.

Résumé

Cet article présente une méthode d'évaluation du risque adaptative, l'application de la simulation historique (Historical Simulation) pour calculer le VaR, et comment prendre en compte les corrélations entre les actifs pour optimiser les prévisions de risque. À travers des exemples spécifiques du marché de la monnaie numérique, il est expliqué comment utiliser la simulation historique pour évaluer le risque des portefeuilles et comment calculer le VaR lorsque la rentabilité des actifs est significative.